가우시안 프로세스(GP) 회귀는 공학 및 과학 분야의 컴퓨터 시뮬레이션을 위한 대표적인 대리 모델링 도구이다. 그러나 시뮬레이션에 입력 변수가 지나치게 많으면 계산 비용이 높고 예측 정확도가 낮은 문제를 겪는 경우가 많다. 일부 시뮬레이션 모델에서는 출력이 ``활성 변수''라고 불리는 입력 변수의 작은 부분집합에 의해서만 유의하게 영향을 받을 수 있다. 우리는 이러한 활성 변수를 식별하여 GP 모델의 한계를 극복하고 시스템 이해를 높이는 최적 커널 학습 접근법을 제안한다. 본 방법은 원래 GP 모델의 공분산 함수를 각각 저차원 입력 변수 부분집합을 사용하는 커널 함수들의 볼록 결합으로 근사한다. 최적 설계 문헌의 Fedorov-Wynn 알고리즘에서 착안하여, 이 근사를 결정하는 최적 커널 학습 알고리즘을 개발한다. 효율적인 계산을 위해 ``실험 설계 및 분석'' 분야에서 차용한 효과 유전 원리를 도입한다. 여러 예제를 통해 제안 방법이 고려한 예제에서 유리한 계산 성능과 함께 경쟁력 있는 예측 및 변수 선택을 제공함을 보인다. 이는 대리 GP 회귀를 해석하고 복잡한 기저 시스템을 단순화하는 효과적인 해법이다.
헬링거 거리에 기반한 목적 함수는 모델 모수의 강건하고 효율적인 추정량을 제공한다. 현대 응용에서 마주치는 프라이버시 및 규제 요구에 착안하여, 본 논문에서는 \emph{비공개 최소 헬링거 거리 추정량}을 유도한다. 이 추정량은 강건성과 효율성을 유지하면서 새로운 프라이버시 제약인 헬링거 차분 프라이버시를 만족한다. 우리는 헬링거 차분 프라이버시가 표준 차분 프라이버시의 여러 특징을 공유하면서도 더 정밀한 추론을 가능하게 함을 보인다. 또한 계산 목적을 위해 헬링거 차분 프라이버시를 만족하는 경사 하강법과 뉴턴-랩슨 알고리즘도 개발한다. 수치 실험을 통해 유한 표본에서 추정량의 거동을 설명하고, 큰 오차 오염 하에서도 강건성이 유지됨을 확인한다.
베이지안 온라인 변화점 탐지는 변화가 발생했는지, 그리고 언제 발생했는지에 대한 불확실성을 정량화하는 자연스러운 틀을 제공한다. 또한 사전 정보를 활용할 수 있게 하여 탐지력을 높일 수 있다. 정확한 베이지안 추론은 변화의 발생 여부와 시점에 대한 사후분포를 순차적으로 갱신한다. 본 논문은 평균 및 기울기 변화와 같은 표준적인 변화점 시나리오를 포괄하면서 계절 효과와 같은 일반적인 구조도 허용하는 회귀 모형 부류에 대해, 이 사후분포를 계산하고 갱신하는 통합적 접근법을 제시한다. 그러나 단순한 구현은 계산 비용이 시간에 따라 선형적으로 증가한다. 우리는 이 비용을 일정하게 유지하는 근사 갱신을 추가로 도입한다. 이는 변화점 시점을 병합한다는 새로운 아이디어에 기반하며, 기존의 가지치기 접근법에 대한 대안이다. 병합이 변화가 발생한 시점에 대한 사후분포를 더 잘 근사할 수 있게 함을 보인다. 나아가 변화점 시점의 사후 확률과 해당 변화 후 매개변수의 유사성을 모두 고려하는 새로운 병합 조건을 도입한다. 이 조건이 전자만 고려하는 조건보다 더 정확함을 보인다. 시뮬레이션 데이터와 Azure LLM 추론 트레이스에서 본 접근법의 이점을 입증한다.
직접 선호 최적화(DPO)는 보고된 모든 비교를 올바른 것으로 취급하지만, 선호 데이터에는 뒤바뀌었거나 동률이거나 그 밖에 노이즈가 있는 비교가 포함되어 있다. RW-DPO는 각 비교에 우도에 선형적으로 들어가는 미지의 신뢰도 가중치 $w_i\in[0,1]$를 부여하며(DPO는 $w\equiv1$, 뒤바뀐 비교는 $w_i=0$), $-\log w_i$에 대한 최소최대 오목 벌점 아래에서 정책과 함께 가중치를 공동으로 추정한다. 이 벌점은 모델이 동의하는 모든 비교를 정확히 $w_i=1$에 유지하고 모델이 모순되는 비교에만 작용하며, DPO 대비 무시할 만한 비용의 닫힌 형태 가중치 갱신을 통해 이루어진다. 비교당 단일 주석으로부터 뒤바뀐 모든 비교를 복원하려면 $\log n$ 차수의 마진이 필요함을 증명한다. 더 나아가 선형 인덱스 모델에서, 올바른 방향을 가리키는 초기 적합에서 출발하면 본 추정량은 비교의 일정 비율이 뒤바뀐 경우에도 선호 방향과 가중치를 공동으로 일관되게 복원하며, 이 마진 척도를 넘는 뒤바뀐 비교를 식별한다. 시뮬레이션에서 RW-DPO는 DPO, 노이즈율 보정, 최근의 강건한 방법 중 가장 낮은 평균 추정 오차를 보이며, 최근의 레이블 보정 방법보다 훨씬 정밀한 표시를 제공한다. 10-30%의 레이블이 뒤바뀐 언어 모델의 DPO 미세 조정에서, 승률은 뒤바뀜 비율이 커져도 하락하지 않으며 깨끗한 레이블로 학습한 DPO를 능가하고, 보정이 뒤바뀐 레이블에 집중되면서 가장 강력한 최근 방법에 필적한다.
미분방정식의 해 연산자에 대한 데이터 기반 학습은 폭넓은 과학적 중요성을 지니지만, 대상 시스템의 관측은 드물고 수집 비용이 큰 경우가 많다. 관련된 소스 시스템은 유사한 물리적 조건에서 풍부한 관측을 제공할 수 있으나, 지배 방정식의 작은 변화조차 해 연산자에 복잡한 변화를 일으킬 수 있어 단순한 데이터 풀링은 효과가 없다. 우리는 알려진 후보 항 라이브러리로부터 지배 방정식의 미지의 희소한 차이를 고려하는 구조적 전이 학습 방법을 제안한다. 리졸벤트 항등식과 백색화된 도구변수 접근법을 사용하여 대상 연산자에 대한 불편 소스 추정 방정식을 구성한다. 이 방정식을 바탕으로 대상 전용 릿지 파일럿, 소스별 희소 보정, 그리고 파일럿에서 물려받은 주된 보정 오차를 제거하도록 설계된 투영 재적합으로 이루어진 3단계 추정량을 개발한다. 반복적 재보정 기법은 남은 오차를 더욱 줄인다. 우리는 전이가 풀링된 전체 소스 속도를 달성하는 경우를 보이는 비점근적 예측 한계와, 공통 이동 하에서 속도 최적성과 근본적인 식별 가능성 한계를 모두 특징짓는 미니맥스 하한을 확립한다. 시뮬레이션과 전자 대역통과 필터 응용은 대상 전용 학습, 단순 풀링, 기존 전이 방법에 비해 뚜렷한 이득을 보여 준다.
우리는 최근 도입된 다중 검정용 e-폐포(e-closure) 원리를 일반적인 상태 공간과 행동 공간, 그리고 연속적으로 색인된 경우를 포함한 임의의 위험 족으로 확장한다. 상태와 위험으로 색인된 e-값의 모음은 행동의 메뉴를 인증하며, 이 메뉴에서 이루어지는 모든 데이터 의존적 선택은 각 기대 손실을 규정된 수준으로 제어한다. 반대로 모든 유효한 절차는 자신의 정규화된 손실에 의해 인증되며, 이 손실은 종종 위험 예산의 일부를 사용하지 않은 채 남긴다. 우리는 이 사용되지 않은 예산을 소비하는 재인증(recertification)이라는 방법을 도입한다. 알려진 분포 구조를 이용하여, 이 방법은 유효성을 유지하면서 인증하는 e-값을 확대하고 확대된 메뉴에서 덜 보수적인 행동을 선택한다. 특히 설득력 있는 응용 하나는 손실 족이 알려진 경우의 널리 쓰이는 컨포멀 위험 제어(CRC) 프레임워크이다. 여기서 재인증은 각 가상의 증강 표본에서 보류된 점들 사이에 사용되지 않은 위험 예산을 재분배한다. 그 결과 얻어지는 제어기는 모든 유한 교환 가능 법칙에서 유효하며 CRC보다 덜(대개 엄밀하게) 보수적이다. 행동 구간에서 볼록 손실의 경우, 반복된 재인증은 허용 가능한(admissible) 제어기로 기하급수적으로 수렴한다. 두 번째 예로 e-값을 이용한 거짓 발견율 제어에서, 무작위화 e-BH를 재인증하면 닫힌 형태의 절차가 얻어지며, 이 절차는 무작위화의 모든 실현에 대해 무작위화 e-BH의 상위집합을 기각하고 동일한 제약 아래 기대 기각 수를 최대화한다. 닫힌 e-BH의 더 큰 e-모음으로 재인증하면 첫 번째 절차의 상위집합을 기각하는 두 번째 닫힌 형태의 절차가 얻어진다. CIFAR-100 계층적 분류 실험과 시뮬레이션은 해당 기준선 대비 예산 활용도의 개선과 정보성 및 검정력의 향상을 보여 준다.
분산 다중 검정은 각자 자신의 가설에 대한 p-값을 보유한 $N$개의 사이트가 소수의 비트만을 통신하면서 네트워크 전체에서 이루어진 발견의 거짓 발견율(FDR)을 제어하도록 요구한다. 탐욕적 구간 집계(Pournaderi and Xiang, IEEE TSIPN, 2023)는 통신 예산을 만족하지만 FDR을 점근적으로만 제어하며, 유한 표본 크기에서는 FDR이 목표치를 초과할 수 있다. 동일한 구간 개수가 기각 영역의 선택과 중단 규칙의 보정에 모두 사용되어, 선택된 구간 밀도가 상향 편향되기 때문이다. 우리는 \emph{예산 제약 BONuS-GA}를 제안한다. 각 사이트는 자신의 데이터에 합성 균등 p-값을 섞고, 중앙 서버는 취합된 개수를 이용해 사이트 전반에 걸친 후보 p-값 구간의 순위를 매기며, 각 사이트의 거짓 발견은 수준의 사이트별 몫 아래에서 자신의 합성 개수로부터 추정된다. 이 절차는 귀무 비율에 대한 지식이 필요 없고, 선택과 추론 모두에 모든 p-값을 사용하며, 귀무 p-값이 서로 독립인 균등분포이고 비귀무 p-값과도 독립이라는 가정만으로, 가설을 사이트에 할당하는 임의의 고정된 방식에 대해 모든 표본 크기에서 $FDR\le\alpha$를 제어한다. $N=O(\sqrt m)$일 때 원래의 $O(\sqrt m\log m)$ 통신량을 유지하며, 여기서 $m$은 전체 p-값의 개수이다. 또한 무작위 사이트 모형 하에서 유한 표본 제어가 성립하는 표본 분할 대안인 교차 적합 탐욕적 집계를 제시하고, 원래 절차가 실패하는 원인인 선택 편향을 정량화한다. 모니터링 네트워크 시뮬레이션에서 예산 제약 절차는 중간에서 큰 규모의 사이트에서 휴리스틱 대응 방법의 검정력 대부분을 유지한다.
대규모 언어 모델(LLM)은 설문 응답 시뮬레이터로 널리 평가되고 있지만, 응용 설문 연구는 주로 항목 무응답에 직면한다. 대체(imputation)는 이러한 결측값을 채워 부분적으로 관측된 데이터셋의 전체 구조를 복원하며, 예측 정확도와는 근본적으로 다른 고유하고 명확히 정의된 평가 기준을 가진다. 우리는 다양한 결측 메커니즘 하의 네 가지 여론조사에서 500만 개가 넘는 대체 응답에 대해, 적절한 다중 대체 지표와 통계적 기준선을 사용한 LLM 대체의 최초 평가를 제시한다. 이 과제에 대해 84개의 인컨텍스트 학습(ICL) 구성을 조사하고 여섯 개의 오픈 웨이트 LLM에서 최고 성능 구성을 비교하여 ICL을 평가한다. 가장 강력한 ICL 접근법은 제로샷 페르소나 프롬프팅보다 개선되지만 기껏해야 통계적 기준선(MICE PMM, TabPFN)과 대등한 수준에 머문다. ICL 접근법은 설문 주제에 민감하며 2~3 자릿수 더 많은 연산을 소모한다. 또한 LLM 설문 시뮬레이션에서 흔히 쓰이는 예측 지표(macro-F1, TVD)는 대체 품질을 신뢰성 있게 추적하지 못한다. 우리의 연구 결과는 LLM 대체에 대한 목적 적합형 평가의 중요성을 강조하며, 확립된 다중 대체가 여전히 더 나은 기본 선택임을 보여준다.
물류와 클라우드 인프라에서 산업용 IoT에 이르기까지 현대의 운영 시스템은 복잡하고 상호 의존적인 프로세스에 의해 좌우된다. 개입이 이러한 시스템을 통해 어떻게 전파되는지 이해하려면 직접 효과를 넘어 매개 경로를 정량화하는 인과 추론 방법이 필요하다. 전통적인 매개 분석은 단순한 환경에서는 효과적이지만, 특히 여러 처치와 매개변수가 상호작용할 때 실무에서 마주치는 고차원 방향성 비순환 그래프(DAG)로 확장되지 못한다. 본 논문에서는 여러 처치와 매개변수를 포함하는 대규모 인과 DAG에 맞춘 확장 가능한 매개 분석 프레임워크를 제안한다. 우리의 접근법은 총 효과를 해석 가능한 직접 효과와 간접 효과 구성요소로 체계적으로 분해한다. 복잡한 의존성과 통제 불가능한 요인이 근본 원인을 가리는 경우가 많은 풀필먼트 센터 물류의 적용 사례 연구를 통해 그 실용성을 입증한다.
본 논문은 인과적 충분성이 성립하는 경우에 관측 시계열로부터 선형 및 비선형, 시차 및 동시적 인과 발견을 수행하는 새로운 조건부 독립성(CI) 기반 방법을 제안한다. PC 알고리즘과 같은 기존 CI 기반 방법과 다른 프레임워크의 일반적인 방법들은 시계열에서 흔히 나타나는 문제인 강한 자기상관 하에서 낮은 재현율과 부분적으로 부풀려진 거짓 양성을 보인다. 새로운 방법인 PCMCI$^+$는 PCMCI [Runge et al., 2019b]를 확장하여 동시적 연결의 발견을 포함한다. PCMCI$^+$는 조건 집합의 선택을 최적화함으로써 CI 검정의 신뢰성을 높이며, 자기상관으로부터 오히려 이점을 얻기도 한다. 이 방법은 순서 독립적이며 오라클 경우에서 일치성을 가진다. 광범위한 수치 실험을 통해 PCMCI$^+$가 다른 방법에 비해 더 높은 인접성 탐지력과, 특히 더 높은 동시적 방향 결정 재현율을 보이면서도 거짓 양성을 더 잘 통제함을 보인다. 또한 최적화된 조건 집합 덕분에 PC 알고리즘보다 실행 시간이 훨씬 짧다. PCMCI$^+$는 시간 해상도가 너무 거칠어 시간 지연을 분해할 수 없고 강한 자기상관이 존재하는 많은 실제 응용 시나리오에서 크게 유용할 수 있다.
비디오 기반 보행 평가는 흔히 높은 신뢰도의 자세 관측만 남기는데, 이는 측정 오차를 낮출 수 있으나 평가되는 움직임을 변화시킨다. 우리는 파킨슨병 관련 코호트(n = 96)와 NF2 관련 반복 검증 코호트(n = 18)에서 신뢰도 기반 선택을 예산을 맞춘 무작위 선택과 비교했다. 파킨슨병 관련 코호트에서 신뢰도 선택은 관측된 움직임 요약에 작지만 일관된 편이(+0.05 SD, 95% CI 0.03~0.07)를 일으켰으나 보류된 Mini-BESTest 오차는 변하지 않았다(-0.04점, -0.13~0.05). 움직임 집단 비율을 보존하는 정책은 이 편이를 줄였고, NF2에서는 편이가 나타나지 않았으며 그 예측기는 상수 기준선을 넘어서지 못했다. 이 편이는 측정 오차와 선택 편이가 섞인 것이므로, 코호트의 윈도 구조 위에서 둘을 분해하고 시뮬레이션한다. 필터링은 오차가 신뢰도에 의존할 때 국소 오차를 낮추지만, 신뢰도가 오차보다 움직임을 더 잘 따라가면 종점에 편향을 일으킨다. 파킨슨병 관련 데이터에서 신뢰도는 움직임과 약하게만 연관되었다(rho = 0.14). 이 경우 잘 추적된 윈도가 편향되지 않았다면 필터링은 무해하다. 반대로 체계적 오차가 참가자 내에서 재분배될 뿐이라면 필터링은 최대 0.58도를 더할 수 있다. 따라서 이러한 소규모 코호트 예측기의 임상 오차가 변하지 않았다는 사실만으로는 품질 필터링이 평가되는 움직임을 보존함을 보일 수 없다.
데이터 과학 생애주기 전반에서 이루어지는 사람의 판단은 데이터에서 도출되는 결론을 바꿀 수 있다. 독립적인 분석가들은 동일한 데이터가 주어져도 서로 다른 선택을 하는 경우가 많으며, 이는 종종 용납하기 어려운 결과 변동으로 이어져 과학 분야 전반의 재현성 위기를 심화시킨다. 에이전트 도구의 급속한 도입은 이러한 위기를 증폭할 우려가 있다. 이러한 변동을 다루기 위해 여러 접근법이 개발되었으며, 이들은 분석적 의사결정의 서로 다른 조합 아래에서 분석을 반복하고 결과의 분포를 살펴본다는 동일한 전략을 따른다. 그 예로 멀티버스 분석, 명세 곡선 분석, 효과의 진동이 있다. 더 넓게는 예측 가능성-계산 가능성-안정성(PCS) 프레임워크가 데이터 과학 생애주기 전반에 걸쳐 문서화된 판단이 결론에 어떤 영향을 미치는지 평가하며, 이때 예측 가능성은 모델이 신호를 포착하는지 확인하는 현실성 점검의 역할을 한다. 이러한 접근법은 각각 '멀티버스' 객체를 산출한다. 결과의 분포는 결론의 전반적 변동성을 반영하지만, 개별 의사결정의 영향을 추정하려면 추가적인 도구가 필요하다. 흔한 휴리스틱은 이러한 의사결정으로부터 결과를 예측하는 모델을 학습시키고, 그 계수나 특성 중요도를 각 의사결정의 영향에 대한 대리 지표로 취급하는 것이다. 이 전략은 일부 경우에는 효과가 있을 수 있으나, 모델이 올바르게 명세되고 결과를 정확하게 예측한다고 가정하며, 본 논문은 이것이 항상 성립하지는 않음을 보인다. 본 연구에서는 설계상 예측 가능성 문제를 회피하면서, 타당한 의사결정 공간 전반의 실제 결과로부터 각 의사결정의 중요도를 정량화하는 모델 비의존적 프레임워크인 DECIDE를 제안한다. 실제 멀티버스 분석에 DECIDE를 적용하여 그 효과를 입증한다. 아울러 우리가 아는 한 최초의 멀티버스에 대한 형식적 정의를 제시한다.
Artificial intelligence offers statisticians a new paradigm for modelling and analysing complex datasets. Agents based on large language models can reason about data and automate key stages of the statistical modelling workflow, from model fitting to validation. In this paper we propose a method that uses such an agent to estimate the conditional density of a response given a vector of covariates from an iid sample. The agent examines the sample, chooses a model for the conditional distribution of the response and the procedure to fit it, and returns the estimator as a short computer program. The program is built from a library of probability distributions. The returned law can therefore be a parametric distribution, a mixture or a multivariate factorization, with distribution parameters given by explicit formulas in the covariates. We call this approach agentic distributional regression (ADR). Unlike in the classical approach, the statistician no longer chooses the estimator, but asks an agent to build one. Treating the returned program as a random conditional density estimator, we derive a finite-sample error bound under assumptions on the number of admissible models and on the accuracy of the agent's fit, and an oracle inequality for the selection of a model among fitted candidates using independent validation data. Finally, assuming that, as the sample size grows, the agent selects the same smooth parametric model with probability tending to one and fits it accurately, we show that the estimated parameters are asymptotically normal. In simulation studies, on twelve real datasets and on a new dataset whose responses postdate the agents' training data, ADR with Claude Opus 5.5 has the best average performance among the existing methods from the statistical literature with which it is compared.
In this paper, we introduce a model-based boosting approach for fitting structured additive distributional copula regression models for bivariate responses, with particular emphasis on jointly modeling insurance claim frequency and severity. The approach uses regression-type base learners, such as linear terms and splines with low degrees of freedom. It builds on generalized additive models for location, scale, and shape (GAMLSS), which extend generalized additive models (GAMs) by allowing multiple distributional parameters, rather than only the conditional mean, to depend on covariates. The structured additive predictors make the model inherently interpretable, offering greater transparency and auditability than black-box approaches. These features are particularly relevant in regulated actuarial settings and applications requiring explainable artificial intelligence. By estimating the entire conditional joint distribution, the framework also enables insurance practitioners to examine conditional quantiles, tail behavior, and prediction intervals of risks. The copula component captures dependence between claim frequency and severity and allows practitioners to investigate how this dependence varies with policyholder characteristics, potentially improving predictive performance. Moreover, by incorporating modern machine-learning techniques, specifically boosting, the proposed model improves prediction accuracy while retaining interpretability. We assess the proposed framework using both simulated and real data. The results demonstrate its ability to recover the true covariate effects on the marginal distributional parameters and the dependence structure, select informative variables, and achieve predictive performance competitive with standard benchmark models. We also illustrate how to interpret the fitted model.
LASSO is one of the most popular regularization methods for high-dimensional regression models. While cointegration is common in practical applications of predictive regressions with many regressors, the convex penalty of LASSO overly suppresses the coefficients of cointegrated regressors and therefore fails to deliver consistent parameter estimation. We employ folded concave penalties (FCP), including the well-known SCAD and MCP, to address this issue. Using FCP, we establish two asymptotic results: (i) a local oracle property for the penalized regression, and (ii) a global oracle property for regressions with a penalty-level constraint. In particular, the latter guarantees a global solution that consistently estimates the true coefficients and enjoys oracle prediction performance. Simulation studies and an application to predicting the euro area unemployment rate show that FCP improves variable selection and out-of-sample prediction relative to LASSO.
Offline reinforcement learning and off-policy evaluation evaluate dynamic decision rules based on historical data, without the ability to deploy online. In recent artificial intelligence (AI) applications, simple state and reward information is recorded as complex text or image, expert annotation may be available but at a higher cost. Recent AI and machine learning (ML) predictors can label data cheaply but with unknown bias. We show how a limited budget for ground-truth data-annotation can safely make use of plentiful ML predictions in a new estimator for doubly-robust off-policy evaluation with missing rewards. Our method directs where data should be collected by optimizing annotation probabilities for the best downstream estimation variance, which we implement in a feasible batch-adaptive approach. Our work is motivated by a collaboration with a homelessness services nonprofit that writes casenotes for individuals over time. Our method can be used to unlock trustworthy inference from casenote data and answer new inferential questions such as: how does expanding outreach effort over time affect progress towards a housing application and improvement in housing placement? In simulations and on two real datasets -- casenotes from the nonprofit and human-preference votes from LMArena -- we see reductions in RMSE of 37-65% for housing placement and 21-67% for progress towards a housing application at budgets of 50% of full annotation and above, and by 55-62% at every budget on LMArena under an equal-exposure policy.
컨포멀 예측(Conformal Prediction, CP)은 예측 모델에 대한 강건한 불확실성 보장을 제공하지만, 일반적으로 사후(post hoc) 방식으로 적용되어 모델 학습이 효율적인(즉, 좁은) 구간을 생성하려는 컨포멀 목표와 일치하지 않게 됩니다. 본 논문에서는 미분 가능한 손실 함수 내에서 불확실성 인지 회귀기를 직접 학습하는 새로운 방법인 SPACR(Single-Pass Adaptive Conformal Regressor)을 제안합니다. SPACR은 학습 중에 배치 분할이나 사전 정의된 신뢰 수준 없이 정확도, 효율성 및 타당성을 공동으로 최적화합니다. 그 결과, 단일 SPACR 모델은 추론 시 여러 신뢰 수준에서 유효한 예측 구간을 생성할 수 있어, 직접 최적화 귀납적 컨포멀 회귀(DOICR)와 같은 방법에서 요구되는 많은 비용의 재학습을 피할 수 있습니다. 다양한 정형 및 이미지 데이터셋에 대한 실험을 통해, SPACR은 표준 CP 및 DOICR에 비해 일관되게 더 좁은 구간과 더 우수한 커버리지-효율성 트레이드오프를 제공하는 동시에 재학습에 의존하는 베이스라인 대비 계산 비용을 크게 절감함을 보여줍니다.
Ignoring measurement noise degrades statistical inference. Existing correction techniques are often computationally costly and inefficient. Kernel methods based on maximum mean discrepancy have enabled efficient, likelihood-free inference, but they typically assume clean data. We introduce a framework for inference with samples corrupted by potentially heteroscedastic noise from a known distribution. Central to our method is the convolutional maximum mean discrepancy, which compares distributions after noise convolution and retains metric validity under standard kernel conditions. We establish finite-sample deviation bounds that are unaffected by measurement error and an equivalence between testing under noise and kernel smoothing. Based on this discrepancy, we propose an estimator, establish its consistency and asymptotic normality, and provide an efficient implementation using stochastic gradient descent. We demonstrate the practical effectiveness of our method through simulations and applications in astronomy, anthropometry, and the social sciences. Our method provides a unified, likelihood-free, simulation-based framework for efficient and robust inference for broad classes of problems in noisy data.
This paper studies decision-making and statistical inference for two-sided matching markets via matrix completion. In contrast to the independent sampling assumed in classical matrix completion literature, the observed entries, which arise from past matching data, are constrained by matching capacity. This matching-induced dependence poses new challenges for both estimation and inference in the matrix completion framework. We propose a non-convex algorithm based on Grassmannian gradient descent and establish near-optimal entrywise convergence rates for three canonical mechanisms, i.e., one-to-one matching, one-to-many matching with one-sided random arrival, and two-sided random arrival. To facilitate valid uncertainty quantification and hypothesis testing on matching decisions, we further develop a general debiasing and projection framework for arbitrary linear forms of the reward matrix, deriving asymptotic normality with finite-sample guarantees under matching-induced dependent sampling. Our empirical experiments demonstrate that the proposed approach provides accurate estimation, valid confidence intervals, and efficient evaluation of matching policies.
Differential privacy is the leading mathematical framework for privacy protection, providing a probabilistic guarantee that safeguards individuals' private information when publishing statistics from a dataset. This guarantee is achieved by applying a randomized algorithm to the original data, which introduces unique challenges in data analysis by distorting inherent patterns. In particular, causal inference using observational data while preserving privacy is challenging because it requires a good covariate balance between treatment groups, but checking the covariate balance is challenging when privacy is a primary concern because releasing any statistic (e.g., t-statistic) for the balance check compromises privacy. Additionally, the performance of the privatized estimator critically depends on the choice of differential privacy mechanisms, and it remains unexplored how privacy-protecting causal inference could be conducted with observational data. In this article, we present a differentially private two-stage covariate balancing weighting estimator to infer causal effects from observational data. Our algorithm produces both point and interval estimators with statistical guarantees, such as covariate balance, rate optimality, and oracle budget allocation, under a given privacy budget.